Porovnání metod pro doplnění chybějící části obrazu založených na hlubokém učení
| but.committee | prof. Dr. Ing. Jan Černocký (předseda) Ing. Ivana Burgetová, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Josef Strnadel, Ph.D. (člen) doc. RNDr. Dana Hliněná, Ph.D. (člen) | cs |
| but.defence | Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky přítomných, např. ohledně prezentovaných hodnot metrik u několika metod, cílů jednotlivých metod a jejich využití v kontextu realizovaného řešení, standardních přístupů či metrik strojového vyhodnocování, a výsledků uživatelského testování. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A - výborně. | cs |
| but.jazyk | čeština (Czech) | |
| but.program | Informační technologie | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Španěl, Michal | cs |
| dc.contributor.author | Rajsigl, Tomáš | cs |
| dc.contributor.referee | Herout, Adam | cs |
| dc.date.created | 2024 | cs |
| dc.description.abstract | Cílem této bakalářské práce je porovnat metody hlubokého učení pro doplnění chybějící části obrazu pomocí kvantitativních metrik jako jsou PSNR, SSIM a LPIPS. Pro dodatečné subjektivní ohodnocení byla taktéž provedena uživatelská studie. K porovnání byly použity celkem čtyři neuronové sítě založené na architektuře GAN. Navrhovaná architektura neuronové sítě a její modifikované verze byly porovnávány oproti síti AOT-GAN. Experimenty ukázaly, že v obrazech s malou chybějící částí dosáhla varianta navržené metody 29% zlepšení oproti již zmiňované metodě AOT-GAN. Toto tvrzení podporují i výsledky uživatelské studie, kde byla tato metoda vyhodnocena jako nejlepší. V rámci této práce vznikla malá datová sada určená pro vyhodnocení metod retušování obrazu při úloze odstraňování objektů. Reálné využití těchto metod je demonstrováno prostřednictvím webové aplikace. | cs |
| dc.description.abstract | This bachelor thesis aims to compare deep learning methods and approaches for image inpainting using quantitative metrics like PSNR, SSIM, and LPIPS. Moreover, a user study has also been carried out for further subjective assessment. For the purposes of this comparison, four GAN-based neural networks were used. The first network, AOT-GAN, represents a benchmark against which the proposed architecture and its modifications were compared. In the experiments, a variant of the proposed method achieved a 29% improvement against AOT-GAN in images with small missing regions. This claim is also supported by the results of the user study where this method was ranked as the best. As a result of this thesis, a small dataset specifically for the evaluation of image inpainting in the context of object removal was created. Real-world applications of these methods are demonstrated through a web application. | en |
| dc.description.mark | A | cs |
| dc.identifier.citation | RAJSIGL, T. Porovnání metod pro doplnění chybějící části obrazu založených na hlubokém učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024. | cs |
| dc.identifier.other | 157038 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/246616 | |
| dc.language.iso | cs | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta informačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | počítačové vidění | cs |
| dc.subject | zpracování obrazu | cs |
| dc.subject | retušování obrazu | cs |
| dc.subject | odstranění objektu | cs |
| dc.subject | hluboké učení | cs |
| dc.subject | konvoluční neuronové sítě | cs |
| dc.subject | U-Net | cs |
| dc.subject | reziduální blok | cs |
| dc.subject | generativní adversariální sítě | cs |
| dc.subject | GAN | cs |
| dc.subject | PatchGAN | cs |
| dc.subject | AOT-GAN | cs |
| dc.subject | uživatelská studie | cs |
| dc.subject | computer vision | en |
| dc.subject | image processing | en |
| dc.subject | image inpainting | en |
| dc.subject | object removal | en |
| dc.subject | deep learning | en |
| dc.subject | convolutional neural networks | en |
| dc.subject | U-Net | en |
| dc.subject | residual block | en |
| dc.subject | generative adversarial networks | en |
| dc.subject | GAN | en |
| dc.subject | PatchGAN | en |
| dc.subject | AOT-GAN | en |
| dc.subject | user study | en |
| dc.title | Porovnání metod pro doplnění chybějící části obrazu založených na hlubokém učení | cs |
| dc.title.alternative | Comparison of Methods for Image Inpainting based on Deep Learning | en |
| dc.type | Text | cs |
| dc.type.driver | bachelorThesis | en |
| dc.type.evskp | bakalářská práce | cs |
| dcterms.dateAccepted | 2024-06-10 | cs |
| dcterms.modified | 2024-06-17-08:46:07 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta informačních technologií | cs |
| sync.item.dbid | 157038 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.18 21:01:05 | en |
| sync.item.modts | 2025.01.17 11:45:32 | en |
| thesis.discipline | Informační technologie | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií | cs |
| thesis.level | Bakalářský | cs |
| thesis.name | Bc. | cs |